Zahlungsverkehr: Wie Machine Learning effizientes Payment-Screening ermöglicht

Die weltweit agierende Finance Action Task Force (FATF) hat erst Ende April 2022 die Maßnahmen gegen Geldwäsche und Terrorismusfinanzierung verschärft. Für Finanzinstitute wie Banken und Versicherungen hat das direkte Folgen: Ihre Prüfungen müssen deutlich strenger ausfallen, was bedeutet, dass sie die aktuellen Anwendungen überarbeiten und im schlimmsten Fall austauschen müssen. Nur so können sie sicherstellen, dass sie Hinweise auf illegale Vorgänge beim Zahlungsverkehr entdecken.

Eine der geforderten Maßnahmen ist das Payment Screening, das bei jeder einzelnen Geldtransaktion durchzuführen ist und der Geldwäsche vorbeugt. Bisher war es ausreichend, Daten aus dem ein- und ausgehenden Zahlungsverkehr gegen Sanktionslisten, Embargolisten und weitere Black Lists abzugleichen. Banken prüfen in der Regel Nachnamen, Vornamen, Firmennamen, Aliasse, Domizile, alternative Schreibweisen und Buchungstexte.

Zahlungsverkehr mit Fuzzy Matching überprüfen

Doch das ist in dieser Form nun vorbei. Um compliant zu sein, müssen Banken jetzt in der Lage sein, beim Zahlungsverkehr Namen auf Ähnlichkeiten zu überprüfen. Hilfreich ist hierbei die als „Fuzzy Matching“ bezeichnet Suchtechnologie, die bei ihrer unscharfen Suche auch phonetisch ähnliche Begriffe einbezieht und auch bei ähnlichen Wörtern, Synonymen und szenetypischen Ersatzwörtern hellhörig wird. Der Einsatz dieser Suchtechnologie stellt Banken aber erst einmal kaum vor größere Probleme, weil es entsprechende Module und Implementierungen gibt, die für den Abgleich offizielle PEP-, Sanktions- und Black-Listen heranziehen und mit vielen, auch exotischen Sprachen funktionieren.

Wachsende Menge an Abklärungsfällen begrenzen

Das große Thema ist die steigende Menge an manuell zu untersuchenden Auffälligkeiten, die eine unscharfe Suche zwangsweise generiert. Das bisherige Vorgehen, dafür einfach weitere Mitarbeitende für die Compliance-Arbeit abzustellen, ist aber unwirtschaftlich und angesichts fehlender Fachkräfte auch schlicht nicht umsetzbar. Es ist also dringend erforderlich, eine grundsätzlich andere Herangehensweise zu entwickeln.

Die passende technische Lösung bietet Software mit künstlicher Intelligenz. Sie stützt sich dabei auf Machine-Learning-Algorithmen. Dies funktioniert vor allem deshalb sehr zuverlässig, weil die Software mit einer hohen Anzahl an Fällen trainiert werden kann, bei denen das Ergebnis der manuellen Prüfung durch die Compliance-Abteilung bereits bekannt ist. Die KI-Software überprüft also die deutlich größere Menge an Treffern, die durch die unscharfe Suche erzeugt wurde und gibt nur die Fälle an die Compliance-Mitarbeitenden weiter, bei denen höchstwahrscheinlich ein Geldwäschefall vorliegt.

In der Praxis führt das dazu, dass sogar weniger Vorgänge in der Compliance-Abteilung landen, diese aber insgesamt mehr illegale Vorgänge aufdecken kann als vorher. Durch das Rückführen der Ergebnisse der manuellen Prüfung der Compliance-Abteilung in die KI-Software lässt sich die Anzahl der manuell zu prüfenden Fälle sogar noch weiter senken ‒ auch für die Compliance-Mitarbeitenden ein angenehmer Nebeneffekt.

Zahlungsverkehr: Use Case einer Bank aus Lichtenstein

Die gestiegenen Compliance-Anforderungen beim Zahlungsverkehr haben auch die VP-Bank aus Vaduz (Liechtenstein) dazu veranlasst, nach einer Lösung  zu suchen, die den neuen Vorgaben der Anti-Geldwäsche-Regelungen entspricht. Der Bank war schnell klar, dass sie eine Methode brauchte, trotz unschärferer Suche die Anzahl der Fälle, die an Mitarbeitende zur Überprüfung weitergereicht werden, gering zu halten. Es sollte also die Effektivität (tatsächlich alle auffälligen Vorgänge mit Fuzzy Matching finden) mit größtmöglicher Effizienz kombiniert werden. Hierbei wird nur das manuell geprüft, was höchstwahrscheinlich ein Treffer ist.

Für die Umsetzung war es vorteilhaft, dass die Bank für das Training des KI-Modells umfangreiche Daten zur Verfügung stellen konnte. Das erlaubte es der Bank, vor Inbetriebnahme der neuen Software die Effektivität des KI-Modells durch ein externes Benchmark-Institut überprüfen zu lassen. Nach der positiven Validierung konnte das Softwaremodul Name Matching Transaction der Actico Compliance Suite in der Praxis eingesetzt werden. In der Einführungsphase hat die Bank zusätzlich häufige False-Positive-Fälle in White-Lists übernommen, um so die Gesamttrefferanzahl zu minimieren. Entsprechend stieg der Anteil valider Treffer an der Gesamtzahl der manuell zu prüfenden Vorfälle.

Mithilfe von Fuzzy-Matching und KI die Kosten senken

Der Einsatz von Fuzzy-Matching-Suchalgorithmen und künstlicher Intelligenz ist für alle Beteiligten ein Gewinn: Die Banken können den manuellen Aufwand und damit ihre Kosten senken. Die Compliance-Mitarbeitenden haben weniger mit Falschmeldungen zu tun und können sich den schwierigen Fällen intensiv zuwenden. Dem Staat und seinen Steuerzahlern gehen weniger illegale Geldtransfers durch die Finger, die sonst unentdeckt bleiben würden. Dass das System mit neuen Erkenntnissen zur kontinuierlichen Verbesserung nachtrainiert werden kann, ist ein weiterer Ansporn, auf eine KI-Software wie die Actico Compliance Suite zu setzen.

Über den Autor: Thomas Knöpfler ist Co-Founder und Head of Compliance Solutions bei Actico. Er ist verantwortlich für die Strategie der Business Unit Compliance bei Actico. Nach dem Studium der Betriebswirtschaft hat er seine Karriere in einem internationalen Beratungsunternehmen begonnen. Schon damals war sein Ziel: die Zusammenarbeit zwischen Fachbereichen und IT mit technischen Lösungen zu optimieren. Seit 2015 ist er Geschäftsführer und seit März 2022 Head of Compliance Solutions der Actico GmbH.

Actico ist Anbieter von Lösungen für intelligente Automatisierung und digitale Entscheidungsfindung. Die skalierbare Software kombiniert Regeltechnologie mit maschinellem Lernen und ist durchgängig revisionssicher. So können Unternehmen umfangreiche Datenmengen verarbeiten und KI-gestützte sowie regelbasierte Entscheidungen in Echtzeit treffen und automatisieren. (sg)

Lesen Sie auch: Lieferkettenfinanzierung: Esker erweitert Portfolio durch Kapitalbeteiligung an LSQ

Aufmacherbild: Edler von Rabenstein – Adobe Stock